基于GPU的高光譜圖像分類研究及應用.pdf

1、高光譜圖像包含豐富的光譜信息，在物體分類方面有著重要的應用前景。由于高光譜圖像數(shù)據(jù)比較大，分類算法比較復雜，現(xiàn)有的分類算法在串行模式下執(zhí)行速度比較慢，很難在實時性要求比較高的場景中得到推廣。近年來，GPU以其低成本高計算能力的特性，為高光譜圖像快速分類提供了有效途徑。
　　高光譜圖像中相鄰波段高度相關，冗余的信息加重了計算負擔，降維方法的引入能有效減少冗余信息，但會增加分類算法的復雜度。在光譜信息中融合空間信息，能有效改善分類精度

2、，但引入空間特征，會使數(shù)據(jù)變得龐大，加大了計算量和復雜度。在高光譜圖像處理中，提高分類算法精度并且又能提供快速執(zhí)行的解決方案是一個重要的研究方向。本文通過GPU并行加速降維算法、空間特征提取算法和分類算法，在較高分類精度的前提下實現(xiàn)了快速分類，主要內(nèi)容如下:
　　第一，根據(jù)高光譜圖像和GPU的特點及應用場景，調(diào)研了國內(nèi)外高光譜圖像分類和基于GPU的高光譜圖像處理技術的研究現(xiàn)狀。為后續(xù)分類算法和空間特征引入選型提供了理論基礎。接著詳

3、細介紹了GPU的硬件架構(gòu)及優(yōu)化措施，為后續(xù)算法的并行實現(xiàn)提供技術支撐。
　　第二，在GPU上實現(xiàn)了光譜和空間特征提取算法。光譜特征提取使用LPE算法，用于提取信息豐富且最不同的波段，空間特征提取使用LBP算法，用于提取局部紋理信息。通過在真實的高光譜數(shù)據(jù)集中，快速實現(xiàn)了特征提取過程。
　　第三，在GPU上實現(xiàn)了加權協(xié)作表示分類的算法。與傳統(tǒng)的串行程序比較，該方案在保證分類精度的情況下取得了較高的加速比。之后把并行優(yōu)化后的算法